前言

在前幾天的實作中，我們一起參與了一場二元分類任務的比賽，目標是預測某人是否會辦理定期存款。那場比賽中，我們學到了如何進行初步的資料探索（EDA）、如何使用 class_weight='balanced' 讓模型在類別不平衡的情況下仍能捕捉少數族群，以及如何透過調整樹的數量 n_estimators 來提升模型的穩定性。

雖然我們已經初步掌握了建立分類模型的基礎流程——從資料清理、特徵工程，到訓練與評估模型的基本技巧——但這還只是機器學習的「入門關卡」。今天，我們將走得更遠一些——挑戰一個結合文字分類、語境理解與多樣規則判別的 NLP 任務！

這次的比賽名為 Jigsaw – Agile Community Rules Classification https://www.kaggle.com/competitions/jigsaw-agile-community-rules/overview ，我們的任務是判斷 Reddit 上的留言是否違反某條社群規範。這不只是單純的文字分類，更是一場「理解語氣、判斷語境、辨別社群文化差異」的實戰演練。

1.比賽簡介

比賽時間還有一個月，正是開始的好時機！

這次我選了一個距離結束還有約 一個月 的比賽來實作，節奏上不會太緊湊，也足夠讓我們一步步實作、優化模型、嘗試不同想法！

比賽任務概覽（Overview）

進入比賽頁面後，我們可以看到比賽的任務說明：

簡單來說就是：

如果你曾經在 Reddit 上發過留言，卻突然被刪除，又不知道為什麼——你不是一個人。

每個 subreddit（Reddit 的子論壇）都有自己的規範，但這些規則通常繁瑣又不明確，使用者往往不知道自己為何違規，甚至連版主之間也可能見解不同。

這場比賽的目標是什麼？

這次的 Jigsaw 比賽，就是要解決這種混亂！
我們的任務是：

建立一個 AI 模型，能夠判斷 Reddit 留言是否違反某個特定的社群規則

這是一個 二元分類任務（binary classification）：

• 輸入： 一段 Reddit 留言（text）
• 輸出： 是否違反某一條規則（yes / no）

資料來自真實 Reddit 的歷史留言與版主的審查紀錄，涵蓋了不同 subreddit(Reddit的子論壇) 的語氣、文化與規則風格。

Description 區塊補充的資訊

往下滑可以看到更詳細的說明（Description）：

• 我們的任務是建立一個 binary classifier
• 資料來自 Reddit 過去的審核留言，結合實際的社群規則（rules）
• 每條規則的定義不同，模型需要能理解「語境 + 語意」才有辦法正確分類
• 提供了一個小型的 labeled 開發集（dev set）幫助我們開始訓練
  

2. 本系列目標

這次的比賽，我們一樣會從最基礎的資料探索（EDA）與 baseline 模型開始，逐步帶大家完成一個實戰 NLP 專案，也會涵蓋以下重點：

• 自然語言處理（NLP）基礎技術：包含文字清理、斷詞、向量化等前處理技巧
• 建立分類模型： Logistic Regression 建立簡單可解釋的 baseline，再進一步優化
• 處理類別不平衡問題：使用 class_weight='balanced'、SMOTE 等方式提升少數類別的預測能力
• BERT / Transformer 微調實作：引入預訓練語言模型，強化語境理解能力
• 模型評估與錯誤分析：不只看準確率，還會分析 precision、recall、F1、confusion matrix 等指標
• 提升泛化能力與語境理解：思考如何讓模型適應不同 subreddit 的語言風格與規則文化

3. 為什麼選這個比賽？

這場比賽結合 NLP、社群內容、與多樣規則判斷，對於模型處理「灰色地帶語言」的能力是一大挑戰，也是絕佳的學習機會。

以下是我選擇這個比賽的幾個原因：

• 結合 NLP + 分類任務：可以完整練習 NLP 任務常見的處理流程與建模技巧
• 類別不平衡問題：違規留言數量遠少於正常留言，是在前一場比賽中就已經開始接觸的挑戰，這次將進一步練習 Recall 的提升方法
• 語境與規則差異性高：每個 subreddit 的語氣與規則不同，模型必須學會 「理解語境、轉換邏輯」 ，有助於培養模型泛化能力
• 學習價值：這場比賽涵蓋從資料探索、文字向量化、模型建立，到微調與模型評估的完整流程，對於 NLP 入門與實戰來說，非常具有學習價值

4. 比賽資料與挑戰點

根據比賽頁面的 Dataset 說明，我們這次要處理的資料來自 Reddit 的實際留言與社群規則審核紀錄。這些資料包含使用者的留言內容、是否違規、違反的是哪一條規則，以及 subreddit 所屬的子論壇等欄位資訊。

資料檔案包含：

• train.csv：訓練資料集

  • body：使用者留言文字內容（這是我們主要的輸入）
  • rule：留言被判定違反的規則（僅限兩條）
  • subreddit：留言發表的論壇（可用來理解語境）
  • positive_example_{1,2}：違反該規則的示例留言
  • negative_example_{1,2}：未違反該規則的示例留言
  • rule_violation：最終的二元標籤（0 = 未違規、1 = 違規）

• test.csv：測試資料集，需要我們預測是否違規（rule_violation 機率）

• sample_submission.csv：提交格式範例

注意：

測試資料中的留言可能違反訓練集中未曾出現的規則。也就是說，我們的模型要具有一定的「泛化能力」，不能只學會判斷那兩條已知規則，而是要從語氣、語意、語境中推論出「這樣的話可能違規」。

挑戰點：

結語

今天我們初步認識了這場比賽，明天我們將正式驗證比賽並下載比賽的資料集，接著會進行資料的前處理，包括文字清洗、欄位篩選與格式整理，為後續的模型訓練做好準備！